【技術實現步驟摘要】
本專利技術涉及圖像處理，具體涉及一種紅外弱小目標檢測方法。
技術介紹
1、當前可見光場景下的目標檢測技術發展迅速，但由于其會受到光照的影響，在夜晚或者光照條件差的場景檢測精度不高，紅外目標檢測可以解決該問題，但由于紅外傳感器分辨率有限，成像距離遠，紅外圖像中往往呈現目標尺寸小而且暗淡、背景復雜、低信噪比等特點。紅外弱小目標檢測就是一種從具有復雜背景的紅外圖像中將目標分割出來的技術。該技術具有廣泛的應用，比如可用于海上救援、軍事偵察、火災預警等領域。
2、紅外弱小目標檢測技術從技術特性上可以劃分為基于圖像特征的傳統檢測方法和基于深度學習的目標檢測方法兩大類。傳統的目標檢測方法依賴于分析圖像數據的特征，手工制定對應的檢測模板進行檢測。這種方法的優點在于其操作簡潔且執行速度較快，然而其缺點也明顯，那就是其檢測精度和場景泛化能力較差。為了彌補這些缺陷，近年來，隨著數據量的增加和算力資源的提升，基于深度學習的檢測方法，具體來說就是基于卷積神經網絡的方法，展現了令人矚目的性能。這種方法通過大量紅外數據來訓練模型，從而增強模型對紅外弱小目標的識別能力，并進一步提升了目標檢測的精度。然而，盡管這種基于深度學習的方法在一定程度上改善了目標檢測的精度，但它仍然存在一些問題。由于目標的尺寸極小，神經網絡在提取深層語義特征時會丟失部分目標，這會影響模型的檢測性能。同時，由于紅外圖像背景的復雜性，神經網絡可能會將一些具有形狀或高亮度的噪聲誤識別為目標，從而增加了模型的虛警率。
技術實現思路
1、
2、本專利技術解決其技術問題所采用的技術方案包括如下步驟：
3、步驟1：語義指導的自適應融合網絡設計；
4、為了將空間細節信息與語義信息很好地結合起來，設計一個多分辨率輔助增強編碼器(multi-resolution?auxiliary?enhancement?encode,mae?encoder)，通過低級特征圖逐級增強多級深層特征，緩解網絡深層小目標信息丟失的問題；考慮到紅外弱小目標圖像中存在的復雜背景以及不同尺寸的目標，通過用順序堆疊的窗口變壓器層(swintransformer?layer)和空洞空間金字塔池化(atrous?spatial?prymid?pooling,aspp)處理多分辨率輔助增強編碼器提取到的特征進而感知上下文，獲取全局信息以便更好地進行特征表示；最后設計一個自適應融合解碼器(adaptive?fusion?decoder,adafusdecoder)用于聚合編碼器提取到的一系列特征，其整體框架如圖1所示，給定一張紅外圖像，首先送入mae?encoder提取多尺度特征，再通過感知上下文信息增強特征表示，將maeencoder提取的多尺度特征和感知上下文信息增強特征一起輸出至adafus?decoder，利用adafus?decoder聚合跨層特征并獲取兼具語義和空間細節信息的精確特征，最后將融合后的特征送入檢測頭精確定位和分割目標。
5、步驟2：損失函數；
6、選擇分階段損失函數用于訓練模型，具體來說，首先使用一階段的softiouloss進行訓練，同時記錄下各輪次訓練損失值，若50個輪次內的損失值上下波動范圍不超過0.05，認為模型已收斂，然后使用二階段的二元交叉熵損失(binary?cross?entropy?loss，bceloss)替換softiouloss進行微調，替換損失函數迭代訓練一階段收斂后的模型10輪次微調模型參數，進行精確的像素分類。
7、所述步驟1中，具體各個部分的設計如下，包括網絡的設計和損失函數的選擇：
8、步驟1-1：多分辨率輔助增強編碼器(mae?encoder)；
9、給定一張紅外圖像i∈rh×w，首先使用一個莖卷積(stem?convolution)增加通道數，然后通過堆疊的卷積-批歸一化-激活層(convolotion-batchnorm-relu,conv-bn-relu)和組殘差塊(group?residual?block,grb)獲取一系列特征其中每個卷積層中都有一個步長為2的卷積用來下采樣特征圖，使用grb因為它在同一水平卷積層間實現特征圖通道間的交互，提高了編碼器通道特征信息的利用率，提高了其特征提取能力；考慮到網絡深層的信息丟失，通過殘差塊(residual?block)融合增強深層多級特征，即：
10、
11、其中rb(·)和down(·)分別表示殘差塊和下采樣，其中s代表模型的編碼器深度，框架圖中取s＝4，獲取到多級特征后，通過窗口變壓器層序列化建模感知上下文細化深層表示；接著將特征圖送入aspp聚合多尺度特征，描述如下：
12、
13、其中對應編碼器中第s層網絡提取的特征，s＝4時對應圖1中的fb表示經過窗口變壓器層(swin)序列化建模感知上下文和空洞空間金字塔池化(aspp)聚合多尺度特征處理后的輸出特征，即圖1中的fb；
14、步驟1-2：自適應融合解碼器(adafus?decoder)；
15、自適應融合解碼器旨在融合從mae編碼器中提取的多尺度特征，自適應融合解碼器包括語義引導級聯融合(semantic-guided?cascade?fusion,sgcf)模塊、非局部塊(nonlocal)和殘差塊(rb)，語義引導級聯融合模塊用于自適應多尺度融合，非局部塊計算任意兩個位置之間的相關性，進而實現長距離依賴建模；在多尺度融合和長距離建模之后，引入殘差塊逐步細化多尺度特征以實現準確的檢測；其中sgcf模塊是解碼器的核心。
16、步驟1-3：分割頭；
17、分割頭為一個堆疊的卷積-激活函數層(convolution-sigmoid,conv1-sigmoid)，其中1×1卷積層conv1用來通道變換，將特征圖通道數變為目標類別數，目標類別數為1，然后通過sigmoid函數獲取預測概率，最后結合閾值thresh實現將屬于目標的前景像素從背景中區分出來；具體來說，概率圖中大于閾值的視為目標，否則視為背景。
18、所述閾值thresh設為0.5。
19、本文檔來自技高網...
【技術保護點】
1.一種基于語義指導融合網絡的紅外弱小目標檢測方法，其特征在于包括如下步驟：
2.根據權利要求1所述的基于語義指導融合網絡的紅外弱小目標檢測方法，其特征在于：
3.根據權利要求2所述的基于語義指導融合網絡的紅外弱小目標檢測方法，其特征在于：
4.根據權利要求2所述的基于語義指導融合網絡的紅外弱小目標檢測方法，其特征在于：
5.根據權利要求2所述的基于語義指導融合網絡的紅外弱小目標檢測方法，其特征在于：
6.一種電子設備，其特征在于，包括：
7.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有程序代碼，所述程序代碼可被處理器調用執行如權利要求1-5中任意一項所述的方法。
【技術特征摘要】
1.一種基于語義指導融合網絡的紅外弱小目標檢測方法，其特征在于包括如下步驟：
2.根據權利要求1所述的基于語義指導融合網絡的紅外弱小目標檢測方法，其特征在于：
3.根據權利要求2所述的基于語義指導融合網絡的紅外弱小目標檢測方法，其特征在于：
4.根據權利要求2所述的基于語義指導融合網絡的紅外弱小...
【專利技術屬性】
技術研發人員：張艷寧，汪璋，張世周，蘇小婷，邢穎慧，冉令燕，王鵬，
申請(專利權)人：西北工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。